Noiselab

bookmark_border Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

1. Przejdź do trybu zaawansowanego.
2. W panelu bocznym Parametry odszukaj sekcję Twoje dane o konwersjach.
3. Sprawdź parametry domyślne. Domyślna łączna liczba konwersji przypisanych do dnia wynosi 1000. Jeśli korzystasz z ustawienia domyślnego (domyślne wymiary, domyślna liczba możliwych różnych wartości dla każdego wymiaru, strategia kluczowa A), średnia liczba elementów na kolumnę wynosi około 40. Zwróć uwagę, że w polu „Średnia dzienna liczba konwersji przypisanych DO ZASOBNIKA” wartość wynosi 40.
4. Kliknij Symuluj, aby przeprowadzić symulację z ustawieniami domyślnymi.
5. W panelu bocznym Parametry znajdź Wymiary. Zmień nazwę pola Geografia na Miasto i zwiększ liczbę możliwych wartości do 50.
6. Zwróć uwagę, jak to wpływa na średnią dzienną liczbę konwersji przypisanych DO POSZCZEGÓŁNEGO BUCKETA. Teraz jest znacznie niższy. Dzieje się tak, ponieważ zwiększenie liczby możliwych wartości w tej wymiarze bez zmiany innych parametrów powoduje zwiększenie łącznej liczby zbiorów bez zmiany liczby zdarzeń konwersji przypadających na każdy z nich.
7. Kliknij Symuluj.
8. Sprawdź współczynniki szumów w wyniku symulacji: są one teraz wyższe niż w poprzedniej symulacji.

W trybie uproszczonym używana jest domyślna struktura klucza. W trybie zaawansowanym możesz eksperymentować z różnymi strukturami kluczy. Zawiera ona kilka przykładowych wymiarów, które możesz też zmodyfikować.

1. Przejdź do trybu zaawansowanego.
2. W panelu bocznym Parametry znajdź opcję Kluczowa strategia. Zwróć uwagę, że domyślna strategia o nazwie A w narzędziu korzysta z jednej szczegółowej struktury kluczy, która obejmuje wszystkie wymiary: geografia x identyfikator kampanii x kategoria produktu.
3. Kliknij Symuluj.
4. Sprawdź współczynniki hałasu w wyniku symulacji.
5. Zmień strategię Klucz na B. Wyświetli się dodatkowe okno, w którym możesz skonfigurować strukturę kluczy.
6. Skonfiguruj strukturę kluczy, np. w ten sposób:
   1. Liczba struktur klucza: 2
   2. Kluczowa struktura 1 = obszar geograficzny x kategoria produktu.
   3. Struktura klucza 2 = identyfikator kampanii x kategoria produktu.
7. Kliknij Symuluj.
8. Zwróć uwagę, że teraz otrzymujesz 2 raporty podsumowania na każdy typ celu pomiarowego (2 raporty dotyczące liczby zakupów i 2 raporty dotyczące wartości zakupu), ponieważ używasz 2 różnych struktur kluczy. Zwróć uwagę na ich stosunek sygnału do szumu.
9. Możesz też spróbować tego z własnymi wymiarami niestandardowymi. W tym celu poszukaj danych, które chcesz śledzić: Wymiary. Rozważ usunięcie przykładowych wymiarów i utworzenie własnych za pomocą przycisków Dodaj, Usuń i Resetuj pod ostatnim wymiarem.

1. Przejdź do trybu prostego (lub zaawansowanego – oba tryby działają tak samo w przypadku częstotliwości przetwarzania w partiach).
2. W panelu bocznym Parametry odszukaj opcję Twoja strategia agregacji > Częstotliwość zbiorczego przetwarzania. Dotyczy to częstotliwości przetwarzania zbiorczego raportów, które można agregować, za pomocą usługi agregującej w ramach jednego zadania.
3. Zwróć uwagę na domyślną częstotliwość grupowania: domyślnie symulowana jest codzienna częstotliwość grupowania.
4. Kliknij Symuluj.
5. Sprawdź współczynniki hałasu w wyniku symulacji.
6. Zmień częstotliwość zbiorczego przetwarzania na cotygodniową.
7. Zwróć uwagę na współczynniki szumów w wyniku symulacji: współczynniki szumów są teraz niższe (co jest korzystne) niż w poprzedniej symulacji.

Chociaż może być trudno przewidzieć tę liczbę i może ona się znacznie zmieniać (poza sezonowością), spróbuj oszacować liczbę codziennych konwersji przypisywanych pojedynczemu kliknięciu do najbliższej potęgi 10: 10, 100, 1000 lub 10 000.

1. Przejdź do trybu zaawansowanego.
2. W panelu bocznym Parametry odszukaj sekcję Twoje dane o konwersjach.
3. Sprawdź parametry domyślne. Domyślna łączna liczba konwersji przypisanych do dnia wynosi 1000. Jeśli korzystasz z ustawienia domyślnego (domyślne wymiary, domyślna liczba możliwych różnych wartości dla każdego wymiaru, strategia kluczowa A), średnia liczba elementów na kolumnę wynosi około 40. Zwróć uwagę, że w polu „Średnia dzienna liczba konwersji przypisanych DO ZASOBNIKA” wartość wynosi 40.
4. Kliknij Symuluj, aby przeprowadzić symulację z ustawieniami domyślnymi.
5. Sprawdź współczynniki hałasu w wyniku symulacji.
6. Teraz ustaw łączną dzienną liczbę konwersji przypisanych na 100. Zwróć uwagę, że zmniejsza to wartość średniej dziennej liczby konwersji przypisywalnych DO POSZCZEGÓŁOWEGO BUCKETA.
7. Kliknij Symuluj.
8. Zauważ, że współczynniki szumu są teraz wyższe: wynika to z tego, że gdy masz mniej konwersji na jeden przedział, na potrzeby ochrony prywatności stosuje się większy szum.

1. Przejdź do trybu zaawansowanego.
2. W panelu bocznym Parametry znajdź opcję Twoja strategia agregacji > Skalowanie. Domyślnie jest ono ustawione na „Tak”.
3. Aby zrozumieć pozytywny wpływ skalowania na współczynnik szumu, najpierw ustaw opcję Skalowanie na „Nie”.
4. Kliknij Symuluj.
5. Sprawdź współczynniki hałasu w wyniku symulacji.
6. Ustaw opcję Skalowanie na Tak. Pamiętaj, że Noise Lab automatycznie oblicza współczynniki skalowania, które mają być używane na podstawie zakresów (wartości średniej i maksymalnej) celów pomiarów w danym scenariuszu. W przypadku prawdziwego systemu lub testu próbnego pochodzenia warto zaimplementować własne obliczenia czynników skalowania.
7. Kliknij Symuluj.
8. Zwróć uwagę, że w tej drugiej symulacji współczynniki szumów są niższe (lepsze). Wynika to z tego, że używasz skalowania.

Cel pomiarowy to odrębny punkt danych zbierany w zdarzeniach konwersji.

1. Przejdź do trybu zaawansowanego.
2. W panelu bocznym Parametry odszukaj dane, które chcesz śledzić: Cele pomiarowe. Domyślnie masz 2 cele pomiarowe: wartość zakupu i liczbę zakupów.
3. Kliknij Symuluj, aby uruchomić symulację z domyślnymi celami.
4. Kliknij Usuń. Spowoduje to usunięcie ostatniego celu pomiaru (w tym przypadku zliczanie zakupów).
5. Kliknij Symuluj.
6. Zwróć uwagę, że w tej drugiej symulacji współczynniki szumów w przypadku wartości zakupu są mniejsze (co jest korzystniejsze). Dzieje się tak, ponieważ masz mniej celów pomiarowych, więc jeden cel pomiarowy otrzymuje teraz cały budżet na współfinansowanie.
7. Kliknij Resetuj. Ponownie masz 2 cele pomiarowe: wartość zakupu i liczbę zakupów. Pamiętaj, że Noise Lab automatycznie oblicza współczynniki skalowania, które mają być używane na podstawie zakresów (wartości średniej i maksymalnej) celów pomiarów w Twoim scenariuszu. Domyślnie Noise Lab dzieli budżet równomiernie między cele pomiarowe.
8. Kliknij Symuluj.
9. Sprawdź współczynniki hałasu w wyniku symulacji. Zwróć uwagę na współczynniki skalowania wyświetlane w simulacji.
10. Skonfigurujmy teraz podział budżetu na potrzeby ochrony prywatności, aby uzyskać lepszy współczynnik sygnału do szumu.
11. Dostosuj wartość procentową budżetu przypisaną do każdego celu pomiarowego. Przy założeniu domyślnych parametrów cel pomiarowy 1, czyli wartość zakupu, ma znacznie szerszy zakres (od 0 do 1000) niż cel pomiarowy 2, czyli liczba zakupów (od 1 do 1, czyli zawsze równa 1). W związku z tym potrzebuje „większej przestrzeni na skalowanie”. Najlepiej byłoby przypisać większe środki na realizację celu pomiarowego 1 niż celu pomiarowego 2, aby można było go efektywniej skalować (patrz: „Skalowanie”).
12. Przypisz 70% budżetu do celu pomiarowego 1. Przypisz 30% do celu pomiarowego 2.
13. Kliknij Symuluj.
14. Sprawdź współczynniki hałasu w wyniku symulacji. W przypadku wartości zakupu współczynniki szumów są teraz znacznie niższe (lepsze) niż w przypadku poprzedniej symulacji. Liczba zakupów pozostała mniej więcej na tym samym poziomie.
15. Ciągle dostosowuj podział budżetu do danych. Zwróć uwagę, jak to wpływa na szum.

Pamiętaj, że za pomocą przycisków Dodaj, Usuń i Resetuj możesz ustawiać własne niestandardowe cele pomiarowe.

Cel pomiarowy to odrębny punkt danych zbierany w zdarzeniach konwersji.

1. Przejdź do trybu zaawansowanego.
2. W panelu bocznym Parametry znajdź opcję Twoja strategia agregacji > Skalowanie.
3. Upewnij się, że opcja Skalowanie jest ustawiona na Tak. Pamiętaj, że Noise Lab automatycznie oblicza współczynniki skalowania na podstawie podanych przez Ciebie zakresów (wartości średniej i maksymalnej) dla celów pomiarowych.
4. Załóżmy, że największy zakup w historii to 2000 USD, ale większość zakupów mieści się w zakresie 10–120 USD. Najpierw sprawdźmy, co się stanie, jeśli użyjemy dosłownego podejścia do skalowania (niezalecane): wpisz 2000 USD jako maksymalną wartość parametru purchaseValue.
5. Kliknij Symuluj.
6. Zauważ, że współczynniki szumów są wysokie. Dzieje się tak, ponieważ nasz współczynnik skalowania jest obecnie obliczany na podstawie kwoty 2000 USD, podczas gdy w większości przypadków wartości zakupów są znacznie niższe.
7. Teraz zastosujemy bardziej praktyczne podejście do skalowania. Zmień maksymalną wartość zakupu na 120 USD.
8. Kliknij Symuluj.
9. Zwróć uwagę, że w tej drugiej symulacji współczynniki szumów są niższe (co jest korzystniejsze).

Noise Lab pomaga szybko oceniać i porównywać strategie zarządzania hałasem. Pozwala na:

• Poznaj główne parametry, które mogą wpływać na szum, oraz ich wpływ.
• Symulowanie wpływu szumu na dane pomiarowe wyjściowe w zależności od różnych decyzji projektowych. Dostosuj parametry projektu, aż uzyskasz stosunek sygnału do szumu, który będzie odpowiedni w danym przypadku użycia.
• Podziel się opinią na temat przydatności raportów zbiorczych: które wartości parametrów epsilon i szum są dla Ciebie odpowiednie, a które nie? Gdzie znajdują się punkty przegięcia?

Jest to etap przygotowawczy. Noise Lab generuje dane pomiarowe, aby symulować dane wyjściowe raportu podsumowania na podstawie podanych przez Ciebie informacji. Nie przechowuje ani nie udostępnia żadnych danych.

W Noise Lab są 2 tryby:

1. Tryb prosty: poznaj podstawy elementów sterujących hałasem.
2. Tryb zaawansowany: testuj różne strategie zarządzania szumem i oceniaj, która z nich zapewnia najlepszy stosunek sygnału do szumu w przypadku Twoich zastosowań.

Aby przełączać się między tymi trybami (1. na zrzucie ekranu poniżej), kliknij przyciski w górnym menu.

Tryb prosty

• W trybie uproszczonym możesz kontrolować parametry (znajdujące się po lewej stronie lub #2. na poniższym zrzucie ekranu), takie jak epsilon, i obserwować ich wpływ na szum.
• Każdy parametr ma etykietę (przycisk „?”). Kliknij te ikony, aby wyświetlić wyjaśnienie każdego parametru (#3. na poniższym zrzucie ekranu).
• Aby rozpocząć, kliknij przycisk „Symuluj” i obserwuj wynik (#4. na zrzucie ekranu poniżej).
• W sekcji Wyjście możesz zobaczyć różne szczegóły. Obok niektórych elementów znajduje się znak zapytania. Warto kliknąć każdy znak „?”, aby wyświetlić wyjaśnienia dotyczące różnych informacji.
• W sekcji Wyjście kliknij przełącznik Szczegóły, jeśli chcesz wyświetlić rozwiniętą wersję tabeli (#5. na zrzucie ekranu poniżej).
• Pod każdą tabelą danych w sekcji danych wyjściowych znajduje się opcja umożliwiająca pobranie tabeli na potrzeby korzystania z niej w trybie offline. W prawym dolnym rogu jest też opcja pobierania wszystkich tabel danych (#6. na poniższym zrzucie ekranu).
• W sekcji Parametry przetestuj różne ustawienia parametrów i kliknij Symuluj, aby sprawdzić, jak wpływają one na dane wyjściowe:

  

Tryb dla zaawansowanych

• W trybie zaawansowanym masz większą kontrolę nad parametrami. Możesz dodawać niestandardowe cele pomiarowe i wymiary (1. i 2. na zrzucie ekranu poniżej).
• Przewiń w dół sekcję Parametry i zobacz opcję Kluczowa strategia. Możesz go użyć do przetestowania różnych struktur kluczy (3. na zrzucie ekranu poniżej).
  • Aby przetestować różne struktury kluczy, zmień strategię klucza na „B”.
  • Wpisz liczbę różnych struktur kluczy, których chcesz użyć (domyślnie jest to „2”).
  • Kliknij Generuj struktury kluczy.
  • Aby określić struktury kluczy, kliknij pola wyboru obok kluczy, które chcesz uwzględnić w każdej strukturze.
  • Aby zobaczyć wynik, kliknij Symuluj.

    

    

Koncepcja podstawowa

Sztuczny szum jest dodawany w celu ochrony prywatności poszczególnych użytkowników.

Wysoka wartość szumów wskazuje, że zbiory lub klucze są rzadkie i zawierają dane pochodzące z ograniczonej liczby wrażliwych zdarzeń. Jest to wykonywane automatycznie przez Noise Lab, aby umożliwić użytkownikom „ukrywanie się w tłumie”. Innymi słowy, chronimy prywatność tych osób, dodając do dźwięku większy szum.

Niska wartość szumów wskazuje, że konfiguracja danych została zaprojektowana w taki sposób, aby umożliwiała użytkownikom „ukrywanie się w tłumie”. Oznacza to, że zbiory zawierają dane pochodzące z wystarczającej liczby zdarzeń, aby zapewnić ochronę prywatności poszczególnych użytkowników.

To stwierdzenie jest prawdziwe zarówno w przypadku średniego błędu procentowego (APE), jak i błędu średniokwadratowego względnego z prognozą (RMSRE_T).

APE (średni błąd procentowy)

APE to stosunek szumu do sygnału, czyli rzeczywista wartość zbiorcza.p>Niższe wartości APE oznaczają lepszy stosunek sygnału do szumu.

Formuła

W przypadku danego raportu zbiorczego wskaźnik APE jest obliczany w ten sposób:

True to prawdziwa wartość podsumowania. APE to średnia wartość szumu w przypadku każdej prawdziwej wartości podsumowania, obliczona jako średnia wszystkich wpisów w raporcie podsumowania. W Noise Lab wynik jest następnie mnożony przez 100, aby uzyskać wartość procentową.

Zalety i wady

Segmenty o mniejszych rozmiarach mają nieproporcjonalny wpływ na ostateczną wartość APE. Może to wprowadzać w błąd przy ocenie szumów. Dlatego dodaliśmy kolejny rodzaj danych RMSRE_T, który ma na celu ograniczenie tego ograniczenia w przypadku APE. Szczegółowe informacje znajdziesz w przykładach.

Kod

Sprawdź kod źródłowy, aby dowiedzieć się, jak jest obliczana APE.

RMSRE_T (średnia kwadratowa błędu względnego z progiem)

RMSRE_T (średnia kwadratowa błędu względnego z prognozą) to kolejny wskaźnik szumu.

Interpretowanie wartości RMSRE_T

Im niższe wartości RMSRE_T, tym lepszy stosunek sygnału do szumu.
Jeśli na przykład stosunek szumu, który jest dopuszczalny w przypadku Twojego zastosowania, wynosi 20%, a RMSRE_T – 0,2, możesz mieć pewność, że poziom szumu mieści się w dopuszczalnym zakresie.

Formuła

W przypadku danego raportu zbiorczego RMSRE_T jest obliczana w ten sposób:

Zalety i wady

Wartość RMSRE_T jest nieco trudniejsza do zrozumienia niż APE. Ma on jednak kilka zalet, które w niektórych przypadkach sprawiają, że jest on bardziej odpowiedni niż APE do analizowania szumu w raportach podsumowania:

• RMSRE_T jest bardziej stabilny. „T” to wartość progowa. Parametr „T” służy do nadawania mniejszej wagi w obliczeniach RMSRE_T grupom, które mają mniej konwersji i dlatego są bardziej podatne na szumy ze względu na ich małą wielkość. W przypadku T dane nie osiągają szczytów w przypadku zbiorów z niewielką liczbą konwersji. Jeśli T jest równe 5, wartość szumu wynosząca 1 w grupie z 0 konwersjami nie będzie wyświetlana jako większa niż 1. Zamiast tego zostanie ona ograniczona do 0, 2, co odpowiada 1/5, ponieważ T = 5. Dzięki temu, że mniejsze zbiory mają mniejszy udział w wyliczeniu, a zatem są bardziej podatne na szumy, wskaźnik jest stabilniejszy, co ułatwia porównywanie 2 symulacji.
• RMSRE_T umożliwia łatwą agregację. Znajomość wartości RMSRE_T wielu zbiorników wraz z ich rzeczywistymi wartościami umożliwia obliczenie wartości RMSRE_T ich sumy. Dzięki temu możesz też optymalizować skuteczność pod kątem wartości RMSRE_T w przypadku tych wartości połączonych.

Mimo że agregacja jest możliwa w przypadku APE, formuła jest dość skomplikowana, ponieważ obejmuje wartość bezwzględną sumy szumów Laplace’a. W efekcie utrudnia to optymalizację APE.

Kod

Sprawdź kod źródłowy, aby dowiedzieć się, jak oblicza się RMSRE_T.

Przykłady

Raport zbiorczy z 3 grupami:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = hałas: 20, trueSummaryValue: 100
• bucket_3 = noise: 20, trueSummaryValue: 200

APE = (0,1 + 0,2 + 0,1) / 3 = 13%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,200))^2) / 3) =  sqrt( (0.01 + 0.04 + 0.01) / 3) =  0.14 

Raport zbiorczy z 3 grupami:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = hałas: 20, trueSummaryValue: 100
• bucket_3 = noise: 20, trueSummaryValue: 20

APE = (0,1 + 0,2 + 1) / 3 = 43%

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2 +
(20/max(5,20))^2) / 3)  =  sqrt( (0.01 + 0.04 + 1.0) / 3) =  0.59

Raport zbiorczy z 3 grupami:

• bucket_1 = noise: 10, trueSummaryValue: 100
• bucket_2 = hałas: 20, trueSummaryValue: 100
• bucket_3 = noise: 20, trueSummaryValue: 0

APE = (0,1 + 0,2 + nieskończoność) / 3 = nieskończoność

RMSRE_T = sqrt( ( (10/max(5,100))^2  + (20/max(5,100))^2  +
(20/max(5,0))^2) / 3) =  sqrt( (0.01 + 0.04 + 16.0) / 3) =  2.31

Platforma DSP lub firma zajmująca się pomiarem reklam może mieć tysiące klientów na całym świecie, którzy działają w różnych branżach i w różnych walutach oraz mają różne ceny zakupu. Oznacza to, że tworzenie klucza agregacji na reklamodawcę i zarządzanie nim może być bardzo niepraktyczne. Poza tym trudno będzie wybrać maksymalną wartość agregowalną i budżet agregacji, które ograniczą wpływ szumu w przypadku tysięcy reklamodawców na całym świecie. Zamiast tego rozważ te scenariusze:

Kluczowa strategia A

Dostawca technologii reklamowych decyduje się utworzyć 1 klucz i zarządzać nim w przypadku wszystkich swoich klientów reklamowych. W przypadku wszystkich reklamodawców i wszystkich walut zakres zakupów obejmuje zarówno drogie produkty kupowane w małej ilości, jak i tańsze produkty kupowane w dużej ilości. W rezultacie otrzymujemy klucz:

Kluczowa strategia B

Dostawca technologii reklamowych decyduje się utworzyć 2 klucze i zarządzać nimi w przypadku wszystkich swoich klientów reklamowych. Decydują się na rozdzielenie kluczy według waluty. W przypadku wszystkich reklamodawców i wszystkich walut zakres zakupów obejmuje od niewielkich zakupów droższych produktów po duże zakupy tańszych produktów. Podział według waluty powoduje utworzenie 2 kluczy:

Strategia B będzie miała mniej zakłóceń w wynikach niż strategia A, ponieważ wartości walut nie są równomiernie rozłożone między poszczególne waluty. Rozważ na przykład, jak zakupy w JPY mieszane z zakupami w USD zmieniają dane źródłowe i powodują niespójności w wynikach.

Kluczowa strategia C

Dostawca technologii reklamowej decyduje się utworzyć 4 klucze i zarządzać nimi w przypadku wszystkich klientów reklamowych, dzieląc je według waluty i branży reklamodawcy:

Strategia kluczowa C będzie miała mniej zakłóceń w wynikach niż strategia kluczowa B, ponieważ wartości zakupu reklamodawcy nie są równomiernie rozłożone między reklamodawców. Na przykład zakupy drogiej biżuterii powiązane z zakupami czapek baseballowych zmienią dane źródłowe i powodują niechciane wyniki.

Aby zmniejszyć szum w wynikach, rozważ utworzenie wspólnych maksymalnych wartości zbiorczych i wspólnych współczynników skalowania dla wspólnych elementów u różnych reklamodawców. Możesz na przykład eksperymentować z użyciem tych strategii dla swoich reklamodawców:

• 1 strategia z oddzieleniem na walutę (USD, ¥, CAD itp.)
• Jedna strategia podzielona według branży reklamodawcy (ubezpieczenia, motoryzacja, handel detaliczny itp.).
• 1 strategia podzielona na podobne przedziały wartości zakupu ([100], [1000], [10000] itd.).

Dzięki tworzeniu strategii dotyczących słów kluczowych na podstawie podobieństw między reklamodawcami łatwiej jest zarządzać słowami kluczowymi i odpowiednim kodem, a stosunek sygnału do szumu jest wyższy. Eksperymentuj z różnymi strategiami z uwzględnieniem podobieństw między reklamodawcami, aby odkryć punkty zwrotne w maksymalizowaniu wpływu hałasu w porównaniu z zarządzaniem kodem.

Rozważmy scenariusz dotyczący 2 reklamodawców:

• Reklamodawca A:
  • W przypadku wszystkich produktów w witrynie reklamodawcy A cena zakupu może się wahać w zakresie od 120 do 1000 USD, czyli w zakresie 880 USD.
  • Ceny zakupu są równomiernie rozłożone w zakresie 880 USD, bez wartości odstających poza 2 odchylenia standardowe od mediany ceny zakupu.
• Reklamodawca B:
  • W przypadku wszystkich produktów w witrynie reklamodawcy B cena zakupu może się wahać w zakresie od 120 do 1000 USD, czyli w zakresie 880 USD.
  • Ceny zakupów są mocno zawężone do przedziału 120–500 USD, a tylko 5% zakupów przypada na przedział 500–1000 USD.

Ze względu na wymagania dotyczące budżetu na udział w kosztach oraz metodę, w jaką wprowadzany jest szum w wynikach końcowych, reklamodawca B domyślnie będzie miał bardziej szumny wynik niż reklamodawca A, ponieważ reklamodawca B ma większą szansę na to, że wartości odstające będą miały wpływ na obliczenia podstawowe.

Można to ograniczyć, stosując odpowiednią konfigurację klucza. Testuj strategie kluczy, które pomagają zarządzać danymi wartości odstających i równomierniej rozkładać wartości zakupu w zakresie zakupu klucza.

W przypadku reklamodawcy B możesz utworzyć 2 osobne klucze, aby rejestrować 2 różne zakresy wartości zakupu. W tym przykładzie technologia reklamowa zauważyła, że wartości odstające występują powyżej wartości zakupu 500 USD. Spróbuj zastosować 2 osobne klucze dla tego reklamodawcy:

• Struktura klucza 1 : klucz, który rejestruje tylko zakupy w zakresie od 120 do 500 USD (obejmujące ok. 95% łącznej liczby zakupów).
• Struktura klucza 2: klucz, który rejestruje tylko zakupy powyżej 500 USD (obejmuje ok. 5% łącznej liczby zakupów).

Wdrożenie tej kluczowej strategii powinno pomóc reklamodawcy B lepiej zarządzać zakłóceniami i maksymalizować przydatność raportów zbiorczych. Mając na uwadze nowe, mniejsze zakresy, klucz A i klucz B powinny mieć teraz bardziej równomierny rozkład danych w poszczególnych kluczach niż w przypadku poprzedniego pojedynczego klucza. W efekcie szum będzie miał mniejszy wpływ na dane wyjściowe każdego klucza niż w przypadku poprzedniego pojedynczego klucza.